Proceso de estratificación

Homicidios desagregados por sexo - 1985–2018

library(verdata)

Introducción

Si es su primera vez trabajando con los datos, no está muy familiarizado con el paquete o simplemente quiere conocer más sobre el proyecto y el objetivo de estos ejemplos y el paquete verdata, consulte: https://github.com/HRDAG/CO-examples/blob/main/Introducción/output/Introducción.html antes de continuar.

En este ejemplo, se ilustrará el proceso de estratificación para el posterior proceso de estimación del total de víctimas por sexo (1985–2018).

Autenticando e importando la base de datos (réplicas)

Se comienza autenticando e importando la base de datos, esto a través de dos funciones del paquete verdata: las funciones confirm_files y read_replicates. La autenticación de los datos es pertinente dado que estos fueron publicados con la licencia de atribución 4.0 internacional de Creative Commons (CC BY 4.0). Esta licencia permite la distribución y modificación de la información y, considerando que usted pudo haber llegado a estos datos por medio de diferentes fuentes, es importante que sepa si han sido modificados o no, para lo que puede hacer uso de estas dos funciones.

La función confirm_files autentica los archivos que han sido descargados. Considerandoque cada violación tiene hasta 100 réplicas, esta función permite autenticar cada uno de estos archivos sin necesidad de leerlos a R. Esto, en caso de querer ahorrar recursos computacionales, o en caso de que no vaya a realizar su análisis con todas las réplicas. Esta función devolverá una tabla con dos columnas: una indicando la ruta del archivo y otra indicando si el archivo es igual al publicado. En caso de que al menos uno de los archivos no sea igual, la función devuelve el mensaje “Some replicate file contents do not match the published versions”.

confirmar <- verdata::confirm_files(here::here("verdata-parquet/homicidio"),
                                    "homicidio", c(1:10))

Además, la función read_replicates permite 2 cosas: leer las réplicas a R en una sola tabla (ya sea a partir de un formato csv o parquet) y verificar que el contenido de las réplicas sea exactamente igual al publicado. Cuando el argumento crash tiene su valor por default (TRUE), la función retorna un objeto (data frame) si el contenido es igual, y el mensaje “The content of the files is not identical to the ones published. This means the results of the analysis may potentially be inconsistent.” si el contenido de la base fue previamente alterado/modificado, lo que quiere decir que los análisis que el usuario realice serán inconsistentes y llevarán a resultados erróneos. Este último error significa que nos datos no se han leído a R. Si por alguna razón, usted quiere leer dicha información a pesar de saber que no son los mismos datos originalmente publicados, puede cambiar el argumento crash a FALSE, y, en ese caso, podrá ver los datos junto con el mismo mensaje de advertencia.

replicas_datos <- verdata::read_replicates(here::here("verdata-parquet/homicidio"),
                                           "homicidio", c(1:10))

paged_table(replicas_datos, options = list(rows.print = 10, cols.print = 5))

Vemos que tenemos 5 543 690 registros, nuestras réplicas van desde la número 1 hasta la 10. Además, nuestros datos tienen información sobre la categoría de edad de la víctima, el presunto perpetrador, el sexo, el año del hecho, la pertenencia étnica, las fuentes de información, entre otros.

Proceso estratificación para estimaciones

Con el fin de controlar la heterogeneidad en las probabilidades de captura (ver más de este concepto en el anexo metodológico del proyecto) se estratifica la información de acuerdo con el análisis a realizar. En este caso, como queremos estimar el subregistro de la presente violación por sexo, se estratificará por año del hecho, perpetrador y sexo. Para empezar, es necesario filtrar por las variables de “pertenece al conflicto”, is_conflict ya que la idea principal es estimar el subregistro de víctimas vinculadas al conflicto armado.

replicas_estratos <- replicas_datos %>% 
  dplyr::mutate(is_conflict = as.integer(is_conflict)) %>% 
  dplyr::filter(is_conflict == 1)

paged_table(replicas_estratos, options = list(rows.print = 10, cols.print = 5))

Seguido de esto se estratifica. Es importante que usted como usuario vea que este proceso es netamente artesanal, es decir, usted puede usar su propio código o funciones para realizar este proceso que, en nuestro caso, será a través de una función previamente creada (fuera del paquete verdata) para facilitar este ejercicio:

stratify <- function(replicate_data, schema) {
    
    schema_list <- unlist(str_split(schema, pattern = ","))
    
    grouped_data <- replicate_data %>%
        group_by(!!!syms(schema_list))
    
    stratification_vars <- grouped_data %>%
        group_keys() %>%
        group_by_all() %>%
        group_split()
    
    split_data <- grouped_data %>%
        group_split(.keep = FALSE)
    
    return(list(strata_data = split_data,
                stratification_vars = stratification_vars))

}

Entonces, en primera instancia creamos una función que necesita de dos argumentos:

  • El argumento replicate_data se refiere a un data frame a estratificar, que en nuestro caso es replicas_estratos, es decir, la información previamente filtrada.

  • El segundo argumento son las variables de estratificación (schema). Recordemos que la estratificación es un instrumento para controlar la heterogeneidad, entonces estas son variables que pensamos pueden afectar la probabilidad de registro de las víctimas y, por lo tanto, queremos agrupar las víctimas con características similares. Todas estas variables deben encontrarse en el objeto replicas_estratos.

En términos generales, lo que hace esta función es: primero agrupa por las variables de estratificación y guarda en una lista llamada strata_data esta información. En ese sentido, cada elemento de la lista es una tabla con las víctimas que hacen parte de ese estrato. En segundo lugar, se define el nombre de cada estrato para poder identificarlos cuando estimemos. Para esto se retorna una lista llamada stratification_vars que contiene las combinaciones de las variables, es decir, el nombre del estrato.

A continuación se aplica la función:

schema <- ("replica,yy_hecho,p_str,sexo")

listas <- stratify(replicas_estratos, schema)

El paso anterior muestra la forma en la que aplicamos la función. Considerando que en este ejemplo queremos estimar el número de víctimas de la presente violación por la(s) variable(s) nombrada(s), la estratificación se hace por la variable yy_hecho, p_str y sexo para cada réplica. El objeto schema contiene una cadena de caracteres con los nombres de las variables en el data frame. Luego, como se mencionó, usamos la tabla replicas_estratos como primer argumento y el objeto schema como segundo. Lo que obtenemos es lo siguiente:

El objeto listas contiene dos listas. La primera, llamada strata_data que contiene las víctimas que fueron víctimas de este hecho en cada uno de los años -desagregado por perpetrador y sexo- para cada una de las réplicas. Por ejemplo, el elemento 151 de la lista contiene los hombres que fueron víctimas de otros grupos en el año de 1995 presentes en la réplica 1 (ver el objeto victimas_estrato:

datos <- listas[["strata_data"]]

victimas_estrato <- datos[[151]]

paged_table(victimas_estrato, options = list(rows.print = 10, cols.print = 5))

La segunda lista, llamada stratification_vars, contiene el nombre de cada estrato. Siguiendo el mismo ejemplo, el elemento 151 de stratification_vars contiene una columna con la réplica, una columna con el año, el perpetrador y el sexo. Nuevamente, este solo es un ejemplo de nuestra forma de estratificar, usted puede hacerlo de otra manera. La idea principal es agrupar las víctimas por las variables del estrato y las réplicas que esté usando.

nombres <- listas[["stratification_vars"]]

victimas_estrato_nombre <- nombres[[151]]

paged_table(victimas_estrato_nombre, options = list(rows.print = 10, cols.print = 5))

Teniendo esta estratificación procederemos a guardar el objeto listas en nuestra maquina local (con la función saveRDS) para usarlo en nuestro próximo ejemplo sobre estimación por sistemas múltiples (ESM) y la posterior combinación de estas:

saveRDS(listas, 
        here::here("Resultados-CEV/Estimacion/output-estimacion/yy_hecho-p_str-sexo-homicidio.rds"))

El siguiente paso es realizar el proceso de estimación y combinación.